我想检查两个稀疏数组是否(几乎)相等。而对于 numpy 数组,你可以这样做:
import numpy as np
a = np.ones(200)
np.testing.assert_array_almost_equal(a, a)
这不适用于稀疏数组,我可以理解(对于较小的矩阵或与数组大小相关的错误,返回错误 AttributeError: ravel not find
)。是否有 scipy 相当于测试稀疏矩阵?我可以将稀疏矩阵转换为稠密矩阵并使用 numpy 测试函数,但有时由于(内存/大小)限制,这是不可能的。例如:
from scipy import sparse
b = sparse.rand(80000,8000,density=0.01)
type(b) # <class 'scipy.sparse.coo.coo_matrix'>
c = b.toarray() # ValueError: array is too big; `arr.size * arr.dtype.itemsize` is larger than the maximum possible size.
是否可以测试这些较大的 scipy 数组是否相等,或者我应该测试较小的样本?
最佳答案
假设我们不关心该数组中可能在容差值范围内的非零值,我们可以简单地获取行、列索引和相应的值,并查找索引之间的精确匹配,而allclose()
匹配值。
因此,实现将是 -
from scipy.sparse import find
def allclose(A, B, atol = 1e-8):
# If you want to check matrix shapes as well
if np.array_equal(A.shape, B.shape)==0:
return False
r1,c1,v1 = find(A)
r2,c2,v2 = find(B)
index_match = np.array_equal(r1,r2) & np.array_equal(c1,c2)
if index_match==0:
return False
else:
return np.allclose(v1,v2, atol=atol)
这是另一个使用 nonzero
和 data
方法来替换 find
函数的方法 -
def allclose_v2(A, B, atol = 1e-8):
# If you want to check matrix shapes as well
if np.array_equal(A.shape, B.shape)==0:
return False
r1,c1 = A.nonzero()
r2,c2 = B.nonzero()
lidx1 = np.ravel_multi_index((r1,c1), A.shape)
lidx2 = np.ravel_multi_index((r2,c2), B.shape)
sidx1 = lidx1.argsort()
sidx2 = lidx2.argsort()
index_match = np.array_equal(lidx1[sidx1], lidx2[sidx2])
if index_match==0:
return False
else:
v1 = A.data
v2 = B.data
V1 = v1[sidx1]
V2 = v2[sidx2]
return np.allclose(V1,V2, atol=atol)
我们可以在几个地方短路以进一步加快速度。在性能方面,我更关注仅值不同的情况。
关于python - 如何测试两个稀疏数组是否(几乎)相等?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/47770906/